青岛中铁二十五局集团第五工程有限公司 李娜 266199
摘要：目前，盾构隧道结构的健康管控主要依据相关规范，根据检测和监测数据进行健康等级分级并得出定性化结论，但依据此方法不能准确得到隧道结构安全余量。针对上述问题，运用神经网络遗传算法，结合数值模拟计算，提出了一种以管片横向内径变化量反分析计算单环管片承载能力系数的方法。通过该方法，使用运维养护作业中测量的管片横向内径变形量即可得到单环管片的承载能力系数，能够清晰地给出盾构隧道安全余量，有利于盾构隧道健康管控。
关键词 盾构隧道 反分析方法 数值计算 管片承载能力系数 管片横向内径变形量 神经网络遗传算法
中图分类号：TU921 文献标识码：A
1前言
中国已成为世界上地铁发展最快的国家，地铁建设快速发展的同时，衬砌结构长期服役性能劣化是轨道交通运营期共同面临的问题。地铁隧道结构健康状态判断已成为运营期地铁隧道的重要研究方向[1]。快速对隧道健康状态进行定量化判定将会对地铁隧道健康管控提供有益支持。
目前，隧道健康状态评定主要根据现场检测、监测数据进行定性化评价[3]。《城市轨道交通隧道结构养护技术标准》（CJJ/T 289-2018）主张通过对错台、裂缝等病害进行检测，根据检测数据进行隧道结构五级健康度划分，定性的给出了不同健康度等级对隧道运营安全的影响程度。《盾构法隧道结构服役性能鉴定规范》（DG/TJ08-2123-2013）针对盾构隧道，将管片服役状态（健康状态）依据检测、监测数据亦划分为五个评定等级，评定范围由结构构件至结构区段最终至隧道区间三个层次依次递进，以最不利局部决定隧道区段整体的健康等级。
既有规范为隧道健康状态评定提供了详细的技术指导，但在评价结果方面由于采用的定性化描述，导致隧道结构安全性能有多少损失或者安全余量尚存在多少则难以得到量化判断。
隧道管片结构承载能力系数可以定量化描述隧道管片结构安全性[5-6]。管片径向变形是管片结构受到外部作用或自身材料劣化后的状态参数且通过测量手段容易得到精确数值[7-8]。若能建立起两者的映射关系，则可以通过测量隧道管片结构的径向变形来得到单环管片结构承载能力系数，从而实现对隧道结构安全状态定量化判断的目的[9]。
本文运用神经网络遗传算法，采用强迫位移法的数值模拟计算，提出了一种建立盾构管片结构承载能力系数与管片径向变形映射关系模型的方法。针对一条具体盾构隧道，使用该方法建立映射模型后，在模型输入端输入单环管片的径向变形，通过映射模型可以反演分析得到该环管片在当前变形状态下的结构承载能力系数。
2 神经网络遗传算法反演分析原理
神经网络(Ann)借鉴了人脑的结构和工作原理，是在生物技术的基础上发展起来的一种智能技术。主要运用数学方法和计算机技术，构造输入、输出间的非线性关系，训练之后可以对任意输入量推广预测到理想的输出结果。神经算法简图见图1。
.png)
Fig.1 Feed-Forward BP Network topology diagram
图1所示的神经网络基本结构由输入层、输出层及隐藏层组成。网络学习由正面传输和反面传输两方面组成。正面传输过程是将确定的输入模式在隐藏区域加权处理后从输入传递给输出层，每个层单元模式只影响临近单元。整个流程进行完成之后，计算输出层实际输出与期望输出的偏差，如果数值偏大不满足要求，则要进行反面传输，此信号沿与正面传输同一的路径返回，各单元间的连接权值会被逐层修改，在正向计算和反向修改循环反复进行下，误差将会小于设定，形成想要的神经网络。
具体的实现如下：
①给予均匀分布的随机数，初始化层与层间的连接权值。
②将第i个样以一定的输入关系进入输入层，（Xi）={xi1，xi2，…，xin}，其中，i为样本的个数、n为输入参数的个数。
③经过隐含层单元加权求和后得到该层的输入：
Si= W1·（Xi）T
④输入输出关系以Sigmoid函数表示，推出隐含层输出，也叫做输出层的输入：
Oi = F（Si）= F（W1·（Xi）T）
⑤计算输出层：
Yi = F（W2·（Oi）T）
⑥计算训练后网络输出与期望输出间偏值
io = F（W2·（Oi）T）（yi–Yi）=Yi（1-Yi）（yi-Yi）
其中：yi为样i的期望输出值。
⑦隐含层节点误差值的获取
is = F（Si）（W1·（io）T）
⑧修正权值
W2 = io·（Oi）
W1 = is·（Xi）
⑨返回到第2步，下一个样数据的执行。
将所有样执行②—⑨，记做一个完整的训练步，当输出误差不大于设定误差值时停止训练，网络已经适用。
3管片承载能力系数与径向变形映射关系模型建立方法
3.1输入端数据选取
通过盾构隧道工程健康评价实际工程案例可知，运营期盾构隧道变形通常呈现为“横鸭蛋”和“竖鸭蛋”两种变形形态。由于运营隧道道床的存在，隧道竖向内径无法直接测量，横向内径则可以直接测量，所以输入端径向变形数据选取横向内径变形量。盾构隧道管片横向内径简图见图2。
.png)
Fig.2 Diagram of the transverse inner diameter of the tunnel
3.2输出端数据计算
选取管片的承载能力系数作为输出端数据。
使用数值模拟软件（如ANSYS），采用强迫位移法，建立单环管片三维有限元模型。分析采用均质圆环法，得出该圆环管片上的内力分布，计算荷载为水土荷载。
根据《民用建筑可靠性鉴定标准》（GB50292-2015）相关规定，管片承载能力系数计算公式如下：
.png)
其中：R：结构构件抗力；S：结构构件作用效力.png)
；：结构重要性系数。
根据建立的混凝土及螺栓本构模型确定其结构抗力R；根据盾构地铁的使用年限及相关规范确定结构性系数γ0；根据管片本体与连接螺栓应力计算结果，分别确定作用效力S，从而依据式2.1分别计算得到管片本体与连接螺栓的构件承载能力系数。根据最不利原则，选取管片本体与连接螺栓两者中最小的构件承载能力系数作为管片的承载能力系数，将此管片的承载能力系数作为输出端数据。
3.3神经网络训练与使用
3.3.1 训练样本构建
每组训练样本由横向内径变形量与承载能力系数两个参数组成。
依靠足量的样本对神经网络进行训练，进而建立横向内径变形量与承载能力系数之间的映射关系。样本要涵盖所有可能存在的输入输出状态。
对多地区运营期和施工期地铁隧道出现不同程度病害发育或受不同程度损伤的盾构管片横向内径变形量进行统计（见图3、图4），以此数据作为训练样本构建的基础数据，可构建符合实际的训练样本。
.png)
Fig.4 Statistical diagram of the distribution of the transverse inner diameter deformation of the 217 ring segment after various accidents during the construction period (unit: mm)
在选定样本横向内径变形量数据范围后， 用均匀设计给出n组试验组合方案。通过ANSYS软件，根据试验方案中的各个横向内径变形量数据设定强迫位移法的计算条件，进行正向计算，得到各指定横向内径变形数据工况下的承载能力系数计算值，将其与对应的横向内径变形进行组合，作为一组样本。
n个径向收敛值可得到n组训练样本。将该n组样本值用于检查神经网络的训练，样本组合方案见表1：
.png)
3.3.2 使用
（1） 目标函数确定
需要根据使用要求先设定检验误差函数，对期望输出与实际输出进行偏差管理，通过多次寻找得到用于参数反演的管片横向变形量数值组，使正算得到的安全系数与其实际安全系数不断逼近，搜索出最优的神经网络模型。
最优网络模型需经过多次的尝试，最后取得优良的匹配效果，将学习和测试的误差偏差值降至较低水平。
（2）应用神经网络-遗传算法
用训练后得到的神经网络模型替代正向计算，在输入端出入某环管片实测横向内径变形量，则在输出端输出的系数则为该环管片在当前变形状态下的管片承载能力系数，可使用该参数值定量化判定该环管片的安全性。
4映射关系模型建立案例简析
管片尺寸为内径5500mm，外径5850mm，管片厚度350mm。设计使用年限100年，采用C50高强混凝土材料，抗渗等级S10，主筋保护层厚度均为50mm。
4.1数值计算
根据管片几何尺寸，建立管片本构模型，见图5：
.png)
图7 隧道管片第一主应力云图
Fig. 7 The first principal stress cloud diagram of the tunnel segment
.png)
.png)
图9管片第三主应力云图
Fig. 9 The third principal stress cloud diagram of the tunnel segment
4.2 训练样本获取
4.2.1 计算预定的变形量
根据工程案例管片横向内径变形量检测结果，使用强迫位移法，使隧道管片模型产生预定的位移量。横向内径变形量模拟工况设定见表2：
.png)
4.2.2 计算不同横向内径变形量下的承载能力系数并组建训练样本
因地铁盾构隧道设计使用年限超过50年，结构重要性系数γ0取1.1，按照表2中各横向内径变形工况开展正向计算。提取管片与螺栓应力数据，按照式2.1得到11个工况下的承载能力系数，见表3：
.png)
4.3 对神经网络进行训练并应用
使用表3中11组样本对神经网络进行训练，建立符合案例中管片结构的神经网络模型，即案例工程的管片承载能力系数与横向内径变形量的映射关系已经被建立。
选取工程案例中实测的5环管片横向内径变形量为对象，利用本案例建立的神经网络模型对该5环管片的承载能力系数进行反演计算，结果见表4。
.png)
5结论与总结
（1）定量化描述管片健康状态对于隧道健康管理更加直观有效，本文提出的针对一条盾构隧道工程建立以管片横向内径变形量反分析计算管片承载能力系数的方法提供了隧道健康状态定量化分析途径。
（2）采集管片的横向内径变形量较为简单且方法成熟，以本文方法建立神经网络映射关系模型后，定期对隧道管片的承载能力安全系数进行反分析，可以得到长周期下管片承载能力系数的演化规律，对于管片服役性能规律研究或隧道运维健康管理均较为有利。
（3）表征盾构隧道健康状态的参数有多种，裂缝宽度或数量、管片错台等均可反映盾构管片健康状态，且神经网络遗传算法是一种开放性计算方法，可建立单对单和多对单的多种映射关系。若能建立多管片健康参数与管片承载能力系数的关系，则反演得到的管片承载能力系数将更加准确。
（4）本方法受使用者对管片结构数值计算的掌握能力影响较大，对盾构管片受力、变形数值模拟越贴近实际，则建立的管片横向内径变形与承载能力系数映射模型越科学、实用。
参考文献
References
[1]林盼达, 张冬梅, 闫静雅. 运营盾构隧道结构安全评估方法研究[J]. 隧道建设, 2015, 35(S2):43-49.
[2]李兰勤.运营地铁盾构隧道结构健康诊断的T-S型模糊神经网络方法研究[J].施工技术,2018,47(05):99-103.
[3]傅鹤林,黄震,黄宏伟等.基于云理论的隧道结构健康诊断方法[J].工程科学学报,2017,39(05):794-801.
[4]刘鹏举, 洪平. 基于GA-BP的运营隧道工程结构安全性评估[J]. 路基工程, 2011(06):111-114.
[5]刘海京,夏才初,朱合华等.隧道病害研究现状与进展[J].地下空间与工程学报,2007(05):947-953.
[6]张旭辉,杨志豪,洪弼宸等.盾构隧道结构健康评价的变形指标研究[J].地下工程与隧道,2014(04):7-13+53.
[7]王永强.BP神经网络算法在隧道施工监控量测中的应用[J].交通建设与管理,2014(24):150-152.